《Python贝叶斯建模与计算》旨在帮助贝叶斯初学者成为中级从业者。本书使用了PyMC3、TensorFlow Probability和ArviZ等多个软件库的实践方法，重点是应用统计学的实践方法，并参考了基础数学理论。 本书首先回顾了贝叶斯推断的概念。第2章介绍了贝叶斯模型探索性分析的现代方法。基于这两个基本原理，接下来的章节介绍了各种模型，包括线性回归、样条、时间序列和贝叶斯加性回归树。其后几章讨论的主题包括：逼近贝叶斯计算，通过端到端案例研究展示如何在不同环境中应用贝叶斯建模，以及概率编程语言内部构件。最后一章深入讲述数学理论或扩展对某些主题的讨论，作为本书其余部分的参考。 本书由PyMC3、ArviZ、Bambi和TensorFlow Probability等软件库的贡献者撰写。

第1章 贝叶斯推断
1.1 贝叶斯建模
1.1.1 贝叶斯模型
1.1.2 贝叶斯推断介绍
1.2 一个自制采样器，不要随意尝试
1.3 支持自动推断，反对自动建模
1.4 量化先验信息的方法
1.4.1 共轭先验
1.4.2 客观先验
1.4.3 最大熵先验
1.4.4 弱信息先验与正则化先验
1.4.5 先验预测分布用于评估先验选择
1.5 练习
第2章 贝叶斯模型的探索性分析
2.1 贝叶斯推断前后的工作
2.2 理解你的假设
2.3 理解你的预测
2.4 诊断数值推断
2.4.1 有效样本量
2.4.2 潜在尺度缩减因子（R）
2.4.3 蒙特卡罗标准差
2.4.4 轨迹图
2.4.5 自相关图
2.4.6 秩图
2.4.7 散度
2.4.8 采样器的参数和其他诊断方法
2.5 模型比较
2.5.1 交叉验证和留一法
2.5.2 对数预测密度的期望
2.5.3 帕累托形状参数k
2.5.4 解读帕累托参数k较大时的p_loo
2.5.5 LOO-PIT
2.5.6 模型平均
2.6练习第3章 线性模型与概率编程语言
3.1 比较两个或多个组
3.2 线性回归
3.2.1 一个简单的线性模型
3.2.2 预测
3.2.3 中心化处理
3.3 多元线性回归
3.4 广义线性模型
3.4.1 逻辑回归
3.4.2 分类模型
3.4.3 解释对数赔率
3.5 回归模型的先验选择
3.6 练习
第4章 扩展线性模型
4.1 转换预测变量
4.2 可变的不确定性
4.3 引入交互效应
4.4 鲁棒的回归
4.5 池化、多级模型和混合效应
4.5.1 非池化参数
4.5.2 池化参数
4.5.3 组混合与公共参数
4.6 分层模型
4.6.1 后验几何形态很重要
4.6.2 分层模型的优势
4.6.3 分层模型的先验选择
4.7 练习
第5章 样条
5.1 多项式回归
5.2 扩展特征空间
5.3 样条的基本原理
5.4 使用Patsy软件库构建设计矩阵
5.5 用PyMC3拟合祥条
5.6 选择样条的结点和先验
5.7 用样条对二氧化碳吸收量建模
5.8 练习
第6章 时间序列
6.1 时间序列问题概览
6.2 将时间序列分析视为回归问题
6.2.1 时间序列的设计矩阵
6.2.2 基函数和广义加性模型
6.3 自回归模型
6.3.1 隐AR过程和平滑
6.3.2 （S）ARIMA（X）
6.4 状态空间模型
6.4.1 线性高斯状态空间模型与卡尔曼滤波
6.4.2 ARIMA模型的状态空间表示
6.4.3 贝叶斯结构化的时间序列
6.5 其他时间序列模型
6.6 模型的评判和先验选择
6.7 练习
第7章 贝叶斯加性回归树
7.1 决策树
7.2 BART模型
7.3 BART模型先验
7.3.1 先验的独立性
7.3.2 树结构T的先验
7.3.3 叶结点值py和树数量m的先验
7.4 拟合贝叶斯加性回归树
7.5 自行车数据的BART模型
7.6 广义BART模型
7.7 BART的可解释性
7.7.1 部分依赖图
7.7.2 个体条件期望图
7.8 预测变量的选择
7.9 PyMC3中BART的先验选择
7.10 练习
第8章 逼近贝叶斯计算
8.1 超越似然
8.2 逼近的后验
8.3 用ABC逼近拟合一个高斯
8.4 选择距离函数、c和统计量
8.4.1 选择距离函数
8.4.2 选择C
8.4.3 选择统计量
8.5 g-and-k分布
8.6 逼近移动平均
8.7 在ABC场景中做模型比较
8.7.1 边际似然与L
8.7.2 模型选择与随机森林
8.7.3 MA模型的模型选择
8.8 为ABC选择先验
8.9 练习
第9章 端到端贝叶斯工作流
9.1 工作流、上下文和问题
9.2 获取数据
9.2.1 抽样调查
9.2.2 试验设计
9.2.3 观察性研究
9.2.4 缺失数据
9.2.5 应用示例：收集航班延误数据
9.3 构建不止一个模型
9.3.1 在构建贝叶斯模型前需要问的问题
9.3.2 应用示例：选择航班延误的似然
9.4 选择先验和预测先验
9.5 推断和推断诊断
9.6 后验图
9.7 评估后验预测分布
9.8 模型比较
9.9 奖励函数和决策
9.10 与特定受众分享结果
9.10.1 分析流程的可重复性
9.10.2 理解受众
9.10.3 静态视觉辅助
9.10.4 可重复的计算环境
9.10.5 应用示例：展示航班延误模型和结论
9.11 试验性示例：比较两个组
9.12 练习
第10章 概率编程语言
10.1 PPL的系统工程视角
10.2 后验计算
10.2.1 计算梯度
10.2.2 示例：近实时推断
10.3 应用编程接口
10.3.1 示例：Stan和Slicstan
10.3.2 示例：PyMC3和PyMC4
10.4 PPL驱动的转换
10.4.1 对数概率
10.4.2 随机变量和分布转换
10.4.3 示例：有界和无界随机变量之间的采样比较
10.5 操作图和自动重参数化
10.6 异常处理
10.7 基础语言、代码生态系统、模块化
10.8 设计PPL
10.9 应用贝叶斯从